1.一种融合层注意力机制的多视角图对比学习推荐方法，其特征在于，所述方法包括如下步骤：步骤1、给定用户‑项目交互图，并进行聚合操作，通过在聚合过程中添加随机噪声扰动构建扰动增强视图，根据用户‑项目交互图中用户和项目之间的交互关系，利用奇异值分解重构构建SVD增强视图，将扰动增强视图和SVD增强视图进行增强视图对比学习；

步骤2、通过在聚合过程中利用用户和候选项目的不同层嵌入间的关系，基于语义相似度来选择对比学习对象的锚点和正负实例进行节点级对比学习，分别构建候选节点对比学习和候选结构邻居对比学习；

步骤3、利用给定的用户‑项目交互图执行推荐任务，采用多任务学习的方法训练模型，将不同视角下的三种对比学习作为辅助任务，推荐任务作为主任务，并将辅助任务和主任务联合优化总损失函数，得到最终的推荐结果。

2.根据权利要求1所述的一种融合层注意力机制的多视角图对比学习推荐方法，其特征在于，在所述步骤1中，给定用户‑项目交互图，并进行聚合操作，通过在聚合过程中添加随机噪声扰动构建扰动增强视图的方法具体包括如下步骤：根据给定的用户‑项目交互图，对用户和项目进行特征向量聚合，得到用户和项目的嵌入表示，对用户和项目进行特征向量聚合过程存在如下关系式：；

其中， 和 分别表示在 层传播后用户 和项目 的嵌入表示， 表示用户 交互的项目集， 表示与项目 交互的用户集， 代表对称归一化项；

在原始表征中随机添加均匀噪声扰动，以实现表征级数据增强，随机添加均匀噪声扰动过程存在如下关系式：；

其中， 、 分别表示加入了扰动后的第 层用户嵌入与项目嵌入， 、 分别是加入第 层用户嵌入与项目嵌入的扰动，其约束条件为 与， ， 用于控制噪声的大小， 表示超参

数， 表示同或运算， 表示符号函数，表示 的向量， 表示实数的  维向量空间，其每个维度均服从 0 到 1 之间的均匀分布；

将获得每层加入了扰动后用户嵌入与项目嵌入通过层注意力机制获得最终用户/项目的嵌入表示，获得最终用户/项目的嵌入表示过程存在如下关系式：；

其中， 分别表示加入了扰动后的用户 、项目 的最终嵌入表示， 表示网络层数， 表示执行层注意力操作， 和 分别表示聚合用户嵌入与项目嵌入时加入了扰动后第 层的注意力权重， 和 的计算过程存在如下关系式：；

其中， 表示计算注意力权重的参数， 表示嵌入向量维度， 表示指数函数。

3.根据权利要求2所述的一种融合层注意力机制的多视角图对比学习推荐方法，其特征在于，在所述步骤1中，根据用户‑项目交互图中用户和项目之间的交互关系，利用奇异值分解重构构建SVD增强视图的方法具体包括如下步骤：根据用户‑项目交互图中用户和项目之间的关系构建邻接矩阵 ，再对邻接矩阵 进行归一化；

利用低秩的正交矩阵逼近归一化后的邻接矩阵 的范围，再对逼近后的矩阵执行SVD分解，得到重构后的矩阵，获得重构后的矩阵过程存在如下关系式：；

其中， 表示分解所需的秩，设置为5， 、 和 分别表示 的近似，， ， ， 和 分别表示 阶和 阶的正交矩阵， 表示半正定阶对角矩阵， 表示随机SVD算法， 表示转置操作， 表示重构后的矩阵；

将重构后的矩阵输入传播表达式中，获得重构后的图结构中的用户/项目的嵌入表示，将重构后的矩阵输入传播表达式的计算过程存在如下关系式：；

其中， 和 分别表示重构后的图结构中第 层的用户嵌入和项目嵌入；

将获得每层重构后用户嵌入与项目嵌入通过层注意力机制获得最终用户/项目的嵌入表示，获得最终用户/项目的嵌入表示过程存在如下关系式：；

其中， 分别是重构后的图结构中的用户 和项目 的最终嵌入表示， 和的计算过程存在如下关系式：

；

其中， 和 分别表示聚合用户嵌入与项目嵌入时加入了扰动后第 层的注意力权重。

4.根据权利要求1所述的一种融合层注意力机制的多视角图对比学习推荐方法，其特征在于，在所述步骤1中，将扰动增强视图和SVD增强视图进行增强视图对比学习的方法具体包括如下步骤：将同一个节点在不同视图下用户的最终嵌入表示作为用户的正例对 ，将不同节点在不同视图下用户的最终嵌入表示作为用户的负例对 ，利用用户的正例对和用户的负例对构建用户的增强视图对比学习损失函数，构建用户的增强视图对比学习损失函数过程存在如下关系式：；

其中， 表示用户的增强视图对比学习损失函数， 表示余弦相似度， 表示一个温度超参数， 分别表示在扰动增强视图和SVD增强视图下用户 的最终嵌入表示，表示与用户 不同的用户在SVD增强视图下的最终嵌入表示；

将同一个节点在不同视图下项目的最终嵌入表示作为项目的正例对 ，将不同节点在不同视图下项目的最终嵌入表示作为项目的负例对 ，利用项目的正例对和项目的负例对构建项目的增强视图对比学习损失函数，构建项目的增强视图对比学习损失函数过程存在如下关系式：；

其中， 表示项目的增强视图对比学习损失函数， 分别表示在扰动增强视图和SVD增强视图下项目 的最终嵌入表示， 表示与项目 不同的项目在SVD增强视图下的最终嵌入表示；

将用户的增强视图对比学习损失函数和项目的增强视图对比学习损失函数结合，以得到增强视图对比学习损失函数，获得增强视图对比学习损失函数的过程存在如下关系式：；

其中， 表示增强视图对比学习损失函数。

5.根据权利要求2所述的一种融合层注意力机制的多视角图对比学习推荐方法，其特征在于，在所述步骤2中，通过在聚合过程中利用用户和候选项目的不同层嵌入间的关系，基于语义相似度来选择对比学习对象的锚点和正负实例进行节点级对比学习，构建候选节点对比学习的方法具体包括如下步骤：在用户侧，将用户的嵌入作为锚点，将候选项目 的一阶邻居节点嵌入作为第一正实例，将其它项目的一阶邻居节点嵌入作为第一负实例，并利用第一正实例和第一负实例构建用户侧候选节点对比学习损失函数，用户侧候选节点对比学习损失函数构建过程存在如下关系式：；

其中， 表示候选节点对比学习中用户侧的损失函数， 表示第 层项目侧的嵌入，表示奇数；

在项目侧，将候选项目的嵌入作为锚点，将用户 的一阶邻居节点嵌入作为第二正实例，与用户 不同的其它用户的一阶邻居节点嵌入作为第二负实例，并利用第二正实例和第二负实例构建项目侧候选节点对比学习损失函数，项目侧候选节点对比学习损失函数构建过程存在如下关系式：；

其中， 表示候选节点对比学习中项目侧的损失函数， 表示第 层用户侧的嵌入；

将候选节点对比学习中用户侧的损失函数和候选节点对比学习中项目侧的损失函数结合，得到候选节点对比学习的损失函数，获得候选节点对比学习损失函数的过程存在如下关系式：；

其中， 表示控制两个损失函数强度的超参数， 表示候选节点对比学习的损失函数。

6.根据权利要求5所述的一种融合层注意力机制的多视角图对比学习推荐方法，其特征在于，在所述步骤2中，通过在聚合过程中利用用户和候选项目的不同层嵌入间的关系，基于语义相似度来选择对比学习对象的锚点和正负实例进行节点级对比学习，构建候选结构邻居对比学习的方法具体包括如下步骤：选择用户的项目类型结构邻居节点的嵌入作为锚点，用户的项目类型邻居节点的嵌入作为第三正实例，其它用户的项目类型邻居节点的嵌入作为第三负实例，并利用第三正实例和第三负实例构建用户侧候选结构邻居对比学习损失函数，用户侧候选结构邻居对比学习损失函数构建过程存在如下关系式：；

其中， 表示候选结构邻居对比学习中用户侧的损失函数， 表示第 层项目侧的嵌入， 为偶数；

使用候选项目的用户类型结构邻居节点的嵌入作为锚点，项目的用户类型邻居节点的嵌入作为第四正实例，其它项目的用户类型邻居节点的嵌入作为第四负实例，并利用第四正实例和第四负实例构建项目侧候选结构邻居对比学习损失函数，项目侧候选结构邻居对比学习损失函数构建过程存在如下关系式：；

其中， 表示候选结构邻居对比学习中项目侧的损失函数， 表示第 层用户侧的嵌入；

将候选结构邻居对比学习中用户侧的损失函数和候选结构邻居对比学习中项目侧的损失函数结合，得到候选结构邻居对比学习的损失函数，获得候选结构邻居对比学习的损失函数的过程存在如下关系式：；

其中， 表示候选结构邻居对比学习的损失函数。

7.根据权利要求6所述的一种融合层注意力机制的多视角图对比学习推荐方法，其特征在于，在所述步骤3中，利用给定的用户‑项目交互图执行推荐任务的方法具体包括如下步骤：将获得每层嵌入表示通过层注意力机制获得最终用户/项目的嵌入表示，获得最终用户/项目的嵌入表示过程存在如下关系式：；

其中， 和 分别表示用户 、项目 的最终嵌入表示；

将用户 、项目 的最终嵌入表示采用内积操作，以预测用户 和项目 交互的可能性，预测用户 和项目 交互的可能性过程存在如下关系式：；

其中， 表示用户 对交互项目 的预测分数， 分别是用户 和项目 的最终嵌入；

采用贝叶斯个性化排名方法，利用用户 对交互项目 的预测分数和用户 对未交互项目 的预测分数构建推荐损失函数，推荐损失函数构架过程存在如下关系式：；

其中，是sigmoid函数，表示训练数据集，表示与用户 交互的项目， 表示与用户未交互的项目， 表示用户 对未交互项目 的预测分数， 表示推荐损失函数。

8.根据权利要求7所述的一种融合层注意力机制的多视角图对比学习推荐方法，其特征在于，在所述步骤3中，采用多任务学习的方法训练模型，将不同视角下的三种对比学习作为辅助任务，推荐任务作为主任务，并将辅助任务和主任务联合优化总损失函数的方法具体包括如下步骤：将增强视图对比学习损失函数、候选节点对比学习的损失函数和候选结构邻居对比学习的损失函数与推荐损失函数进行结合，得到联合优化的总损失函数，获得联合优化的总损失函数的过程存如下关系式：；

其中， 、 和 分别表示控制增强视图对比学习、候选节点对比学习和候选结构邻居对比学习损失权重的超参数， 是正则化系数， 表示模型的可训练参数， 表示 正则化， 表示总损失函数；

通过优化联合损失函数学习模型，得到最终预测概率，以最终预测概率为最终的推荐结果。

9.一种融合层注意力机制的多视角图对比学习推荐系统，其特征在于，所述系统应用如权利要求1至8任意一项所述的一种融合层注意力机制的多视角图对比学习推荐方法，所述系统包括：视图级对比学习模块，用于：

给定用户‑项目交互图，并进行聚合操作，通过在聚合过程中添加随机噪声扰动构建扰动增强视图，根据用户‑项目交互图中用户和项目之间的交互关系，利用奇异值分解重构构建SVD增强视图，将扰动增强视图和SVD增强视图进行增强视图对比学习；

节点级对比学习模块，用于：

通过在聚合过程中利用用户和候选项目的不同层嵌入间的关系，基于语义相似度来选择对比学习对象的锚点和正负实例进行节点级对比学习，分别构建候选节点对比学习和候选结构邻居对比学习；

预测与推荐模块，用于：

利用给定的用户‑项目交互图执行推荐任务，采用多任务学习的方法训练模型，将不同视角下的三种对比学习作为辅助任务，推荐任务作为主任务，并将辅助任务和主任务联合优化总损失函数，得到最终的推荐结果。